AI人工智能工程师-NLP必备技能主要指的是在自然语言处理（NLP）领域中，作为人工智能工程师应具备的必要技能。这些技能包括但不限于：
自然语言处理基础知识：掌握自然语言处理的基本概念、原理和常用算法，了解语言学的基础知识。
机器学习和深度学习：熟悉常用的机器学习和深度学习算法，并能应用于NLP任务中，如文本分类、情感分析、机器翻译等。
文本表示与向量化：了解和掌握常用的文本表示方法，如词袋模型、TF-IDF、word2vec等，能够将文本数据转化为向量表示。
语言模型和序列模型：熟悉语言模型的概念和常用模型，如N-gram、循环神经网络（RNN）、长短期记忆网络（LSTM）等，并能应用于文本生成、语音识别等任务。
实体识别和关系抽取：了解实体识别和关系抽取的基本方法和算法，能够从文本中提取出命名实体和实体之间的关系。
情感分析和情感推理：熟悉情感分析的方法和技术，能够判断文本中的情感倾向，并进行情感推理。
机器翻译和问答系统：了解机器翻译和问答系统的基本原理和方法，能够实现基于NLP的自动翻译和问答功能。
除了以上的必备技能外，作为AI工程师在NLP领域还需要具备数据处理和清洗、模型评估和调优、算法优化等相关技能。总之，稀牛的AI人工智能工程师-NLP必备技能旨在帮助工程师全面掌握NLP领域的知识和技术，能够应用于实际的项目中。
课程目录.AI人工智能工程师（15.43G）
│
├─01-自然语言处理基础知识与操作
│ ├─第一章自然语言处理基础
│ │ 一章小结.mp4
│ │ 一章概述.mp4
│ │ 字符串基本处理与正则表达式文本匹配与替换.mp4
│ │ 字符串处理.mp4
│ │ 文本数据、字、词、term.mp4
│ │ 模式匹配与正则表达式.mp4
│ │
│ ├─第三章中文文本处理与解析
│ │ jieba工具库介绍.mp4
│ │ 【实战】python中文文本清洗、处理与可视化.mp4
│ │ 【实战】python新闻网站关键词抽取.mp4
│ │ 中文文本处理任务介绍：分词、去停用词、ngram.mp4
│ │ 中文文本解析任务介绍：词性分析、依赖分析等.mp4
│ │ 章小结.mp4
│ │ 章概述.mp4
│ │
│ └─第二章英文文本处理与解析
│ 【实战】nltk工具库英文文本处理案例.mp4
│ 【实战】spacy工具库英文文本处理案例.mp4
│ 【实战】基于python的英文文本相似度比对.mp4
│ 【实战】简易文本情感分析器构建.mp4
│ 章小结.mp4
│ 章概述.mp4
│ 英文文本解析任务介绍：分词、去停用词、提取词干等.mp4
│
├─02-语言模型与应用
│ │ 考核作业.zip
│ │ 课件与代码.zip
│ │
│ ├─第一章语言模型与应用
│ │ ngram应用：词性标注、中文分词、机器翻译与语音识别.mp4
│ │ ngram语言模型.mp4
│ │ 假设性独立与联合概率链规则.mp4
│ │ 章小结.mp4
│ │ 章概述.mp4
│ │
│ └─第二章统计语言模型与神经语言模型构建
│ 【实战】kenlm工具库使用及语言模型生成.mp4
│ 【实战】基于kenlm的简易拼写纠错.mp4
│ 【实战】基于pytorch的语言模型训练.mp4
│ 基于rnn的神经语言模型.mp4
│ 基于统计的语言模型构建.mp4
│ 章小结.mp4
│ 章概述.mp4
│
├─03-文本表示
│ │ 考核作业.zip
│ │
│ ├─第一章-文本词与句的表示
│ │ 01章概述.mp4
│ │ 02-文本表示概述.mp4
│ │ 03-文本离散表示：词袋模型与tf-idf.mp4
│ │ 04-文本分布式表示：word2vec.mp4
│ │ 05-【实战】python中文文本向量化表示.mp4
│ │ 06-【实战】基于gensim的中文文本词向量训练与相似度匹配.mp4
│ │ 07章小结.mp4
│ │
│ └─第二章-文本表示进阶
│ 01章概述.mp4
│ 02-预训练在图像领域的应用.mp4
│ 03-elmo基于上下文的word embedding.mp4
│ 04-gpt transformer建模句子信息.mp4
│ 05-bert 预训练双向transformer.mp4
│ 06-基于bert进行fine-tuning.mp4
│ 07章小结.mp4
│
├─04-文本分类
│ │ 考核作业.zip
│ │
│ ├─第一章-文本分类机器学习模型与实战
│ │ 01章概述.mp4
│ │ 02-朴素贝叶斯模型与中文文本分类.mp4
│ │ 03-逻辑回归 _svm与文本分类.mp4
│ │ 04-facebook fasttext原理与操作.mp4
│ │ 05-【实战】python中文新闻分类.mp4
│ │ 06-【实战】基于fasttext的文本情感分析.mp4
│ │ 07章小结.mp4
│ │
│ └─第二章-文本分类深度学习模型与实战
│ 01章概述.mp4
│ 02-词嵌入与fine-tuning.mp4
│ 03-基于卷积神经网络的文本分类.mp4
│ 04-基于lstm的文本分类.mp4
│ 05-transformerself-attention介绍.mp4
│ 06-使用tensorflow构建卷积神经网络完成新闻分类.mp4
│ 07-使用tensorflow构建lstm完成影评褒贬分析模型.mp4
│ 08章小结.mp4
│
├─05-文本主题抽取与表示
│ │ 考核作业.zip
│ │
│ └─第一章-文本主题抽取与表示
│ 01章小结.mp4
│ 02-基于tf-idf与text-rank的主题词抽取.mp4
│ 03-监督学习与文本打标签.mp4
│ 04-无监督学习与lda主题模型.mp4
│ 05基于python的中文关键词抽取与可视化.mp4
│ 06-基于lda的新闻主题分析与可视化呈现.mp4
│ 07章小结.mp4
│
├─06-序列到序列模型
│ │ 考核作业.zip
│ │
│ └─第一章-序列到序列模型与应用
│ 01章概述.mp4
│ 02-从rnn到seq2seq模型.mp4
│ 03-编码解码模型.mp4
│ 04-seq2seq模型详解.mp4
│ 05-注意（attention）机制.mp4
│ 06-tensorflow seq2seq模型使用方法详解.mp4
│ 07-基于seq2seq的文本摘要生成实现.mp4
│ 08章总结.mp4
│
├─07-文本生成
│ │ 考核作业.zip
│ │
│ └─第一章-文本生成与自动创作
│ 01章概述.mp4
│ 02-基于rnn lstm的语言模型回顾.mp4
│ 03-基于语言模型的文本生成原理.mp4
│ 04-【实战】基于lstm的唐诗生成器.mp4
│ 05-基于seq2seq的文本序列生成原理.mp4
│ 06-【实战】基于seq2seq的对联生成器.mp4
│ 07章小结.mp4
│
├─08-机器翻译
│ └─第一章-机器翻译：双语翻译
│ ├─01-统计机器翻译
│ │ 01章概述.mp4
│ │ 02-词，句子和语料与基本概率论知识.mp4
│ │ 03-翻译模型与语言模型.mp4
│ │ 04-解码与beam-search.mp4
│ │ 05-翻译系统评估.mp4
│ │ 06-【实战】moses统计翻译系统实战.mp4
│ │ 07章小结.mp4
│ │
│ ├─02-基于seq2seq的机器翻译模型
│ │ 01章概述.mp4
│ │ 02-基础seq2seq编解码模型机器翻译应用.mp4
│ │ 03-基于注意力机制的seq2seq机器翻译优化.mp4
│ │ 04-【实战】基于keras完成的基础seq2seq机器翻译模型.mp4
│ │ 05-【实战】基于tensorflow的google版seq2seq机器翻译模型.mp4
│ │ 06章小结.mp4
│ │
│ ├─03-fackbook基于CNN的机器翻译模型
│ │ 01章概述.mp4
│ │ 02-基于cnn的翻译系统模型结构.mp4
│ │ 03-使用cnn完成神经翻译系统的tricks.mp4
│ │ 04-facebook cnn机器翻译系统代码解析.mp4
│ │ 05章小结.mp4
│ │
│ └─04-来自Google的Transformer模型
│ 01章概述.mp4
│ 02-来自google的transformer模型.mp4
│ 03-transformer模型的训练细节.mp4
│ 04-【实战】transformer源码解析.mp4
│ 05章小结.mp4
│
├─09-聊天机器人
│ └─第一章-聊天机器人：机器客服与语音助手
│ ├─01-基于内容匹配的聊天机器人
│ │ 01章概述.mp4
│ │ 02-聊天机器人基本知识综述.mp4
│ │ 03-基于内容匹配的聊天机器人.mp4
│ │ 04-基于深度学习匹配的聊天机器人tensorflow实现.mp4
│ │ 05-基于深度学习匹配的聊天机器人pytorch实现.mp4
│ │ 06章小结.mp4
│ │
│ └─02-基于seq2seq的聊天机器人
│ 01章概述.mp4
│ 02-聊天机器人场景与seq2seq模型回顾.mp4
│ 03-数据准备与处理.mp4
│ 04-基于tensorflow seq2seq的chatbot完整实现.mp4
│ 05-拓展：基于transformer的chatbot实现.mp4
│ 06章小结.mp4
│
├─10-视觉文本任务：看图说话
│ ├─01-看图说话问题与实现
│ │ 1.1 本章概述.mp4
│ │ 1.2 “看图说话”问题介绍.mp4
│ │ 1.3 简易cnn+rnn编码解码模型完成图片短文本描述原理.mp4
│ │ 1.4 注意力模型与“看图说话”优化.mp4
│ │ 1.5 【实战】基于cnn+rnn的编解码“看图说话”与beam-search优化.mp4
│ │ 1.6 【实战】基于attention model的“看图说话”实现.mp4
│ │ 1.7 本章小结.mp4
│ │
│ └─02-视觉问答机器人(VQA)原理与实现
│ 2.1 本章概述.mp4
│ 2.2 视觉问答机器人问题介绍.mp4
│ 2.3 基于图像信息和文本信息抽取匹配的vqa实现方案.mp4
│ 2.4 基于注意力(attention)的深度学习vqa实现方案.mp4
│ 2.5【实战】使用keras完成cnn+rnn基础vqa模型.mp4
│ 2.6【实战】基于attention的深度学习vqa模型实现.mp4
│ 2.7 本章小结.mp4
│
└─11-文本相似度计算与文本匹配问题
├─01-文本相似度计算与文本匹配问题
│ 1.1 本章概述.mp4
│ 1.2 文本相似度问题与应用.mp4
│ 1.3 传统文本相似度计算方式：编辑距离、simhash、word2vec.mp4
│ 1.4 【实战】编辑距离计算python实现.mp4
│ 1.5 【实战】基于simhash的相似文本判断.mp4
│ 1.6 【实战】词向量word averaging.mp4
│ 1.7 本章小结.mp4
│ 第1章文本相似度问题与应用场景.pdf
│
└─02-基于深度学习的文本语义匹配
2.1 本章概述.mp4
2.2 基于深度学习的句子相似度模型.mp4
2.3 dssm（deep structured semantic models）模型详解.mp4
2.4 drmm（deep relevance matching model）模型详解.mp4
2.5【实战】基于lstm的监督学习语义表达抽取.mp4
2.6【实战】基于dssm的问题语义相似度匹配案例.mp4
2.7【实战】基于drmm的问答匹配案例.mp4
2.8 本章小结.mp4
第2章基于深度学习的文本语义匹配.pdf
